Resamplingteknikker

Resamplingteknikker er statistiske metoder som bruker gjentatte utvalg av observerte data for å estimere egenskaper ved en populasjon, uten å gjøre sterke antagelser om fordelingen.

Den mest kjente gruppen inkluderer bootstrap og jackknife, samt permutationstester. Bootstrap innebærer å trekke med tilbakelegging fra datasettet for å danne mange nye utvalg og beregne estimater av interesse, som konfidensintervaller og standardfeil. Jackknife estimerer bias og varians ved å systematisk utelate én observasjon av gangen.

Kryssvalidering brukes til å evaluere modellprestasjon ved å dele data i trenings- og testsett; vanlig er k-fold kryssvalidering og leave-one-out (LOOCV). Permutasjonstester bruker tilfeldig omfordeling av merkelapper for å danne nullfordelinger og tester hypoteser uten antagelser om fordelingen.

Subsampling og blokkert bootstrap brukes når data er avhengige eller har skjevheter; tidsserie- og romlige data krever metoder som blokkert bootstrap eller moving-block bootstrap.

Fordeler inkluderer at metodene ikke er sterke parametiske antagelser og utnytter eksisterende data for usikkerhetsmålinger og modellvalidering. Begrensninger omfatter avhengighet mellom prøver og beregningskostnader, særlig ved store datasett, samt risiko for bias ved små prøver eller ved misbruk av metoden i ikke-uavhengige data.